基于肺结节的深残余网络和迁移学习分类

抽象

肺结节检测的在传统的计算机辅助检测（CAD）系统的分类过程是复杂的，并且分类结果在很大程度上依赖于在肺结节检测每个步骤的性能，从而导致低的分类精确度和高的假阳性率。为了缓解这些问题，基于深残余网络上的肺结节分类方法提出。放弃传统的图像处理方法并取50-层RESNET网络结构作为初始模型，深剩余网络通过组合残余学习和迁移学习构成。所提出的方法是通过进行对肺计算机断层扫描（CT）从可公开获得的LIDC-IDRI数据库图像实验验证。的98.23％的平均精度为1.65％的假阳性率，获得基于该10倍交叉验证法。与传统的支持向量机（SVM）类CAD系统相比，我们的方法的由9.96％，假阳性率提高了精度下降6.95％，而精度分别1.75％和2.42％，和假改进阳性率分别降低2.07％和2.22％，而相比之下，VGG19模型和InceptionV3卷积神经网络。实验结果表明，我们提出的在CT图像肺结节分类方法的有效性。

1.介绍

肺癌是一种恶性疾病，预后差，且患者的平均5年生存率低于20％。虽然有针对性的治疗和各种放疗和化疗，晚期肺癌的平均生存时间只有12个月【1个]。因此，肺癌的早期发现、早期诊断和早期治疗可以有效提高患者的生活质量和生存率。肺CT上的斑点被定义为肺结节，可以是良性的，也可以是恶性的。早期肺部病变以肺内恶性结节为主。因此，及时、准确地对肺结节进行分类对肺癌的临床治疗非常重要。近年来，随着医疗卫生水平的提高，越来越多的医学数字影像设备应用于临床。医学影像设备，包括x射线、b超、CT、MRI等，不断完善和优化[2个]。越来越多的细微病变可通过成像设备捕获。其中，计算机断层扫描被认为是检测肺癌的最有效的手段之一早[三]。医生需要通过读取患者的肺CT图像准确地诊断恶性结节;然而，阅读大量的CT图像不仅耗时，而且也有误诊的可能性高。

随着信息技术和医学成像方法的发展，基于CT图像的计算机辅助检测系统取得了一定的研究成果[4个,5个]. 利用CAD系统模型对肺结节进行自动检测和识别，不仅大大提高了效率，而且具有较高的准确性和较好的鲁棒性。传统的CAD算法分为两步：第一步是图像预处理[6个]（肺CT图像增强，肺实质分割，肺ROI提取等），并且第二步骤是图像特征提取（灰色纹理特征[7个、尺度不变特征[八]，局部二元模式特征[9个]和梯度方向直方图特征[10，然后应用传统的机器学习算法(k近邻、支持向量机、随机森林等)进行肺结节分类。例如，Manikandan和Bharathi [11]中提取出灰度特性和用于基于形态学靶标检测分类感兴趣区域的重心。Kim等人。[12]提取96个结节形态特征，包括面积、标准差、周长和直径，然后使用包含3个隐藏层的叠加去噪自编码器(SDAE)提取100个ROI深度特征。由于这些特征都是手工设计的，因此很难对图像进行全面深入的分析。此外，使用传统的机器学习算法，之前的处理结果对后续的处理有较大的影响。

深度学习作为机器学习的一个重要分支，近年来发展迅速。卷积神经网络在人脸识别、目标检测、图像分类等领域都取得了很好的效果，由于gpu具有大量的可用数据和高效的计算能力，它也被应用到医学图像中[13,14]. Ronneberger等人。[15报道称为U-Net的生物医学图像分割新全卷积网络（FCN），并取得了可喜的成果。Gao等。[16]结合两种2D-CNNs提取超声心动图的时域和空域信息特征，并对超声心动图的视频图像进行分类，以辅助心脏病的诊断。2017年，Litjens等人[17]发表了一篇综述，其中总结了医学图像分类，检测与分割，登记，和检索深学习的研究工作。

在本研究中，我们主要致力于基于深度残差网络的肺结节分类研究。本文的主要贡献如下：（1）摒弃了复杂的传统CT图像处理方法，提出了一种基于深度残差网络的CT图像结节分类方法。我们的结果证明了这种方法对肺结节分类的有效性。（2） 我们还研究了我们的方法与两个有代表性的深度学习模型和一个传统模型的性能比较。结果表明，本文提出的深度学习方法的性能优于其他两种深度学习模型和传统的机器学习方法。结果表明，该方法适用于肺结节的分类。

本文的其余部分安排如下。中科2个介绍了相关工作。分段三阐述了相关算法和方法框架。详细的实验装置、程序、结果比较和分析将在章节中介绍和讨论4个.得出的结论是在最后一节给出。

2.相关工作

从文献中，可以观察到深学习已取得了一系列令人满意的结果在医学成像领域中，并且它也有在肺结节分类取得了很大进展。华等人。[18]应用CNNs和深信度网络（DBN）对肺良恶性结节进行鉴别诊断，采用深学习算法取得了较好的鉴别结果。Shen等人开发了一种多克隆CNN。[19]通过对卷积特征图的不同区域进行裁剪，并在不同的时间应用max-pooling，能够自动提取显著的结节信息。Song等人。[20]分别采用LeNet（4层）CNN结构、深神经网络（DNN）和叠层自动编码器（SAE）进行肺结节分类。CNN网络在LIDC-IDRI肺部图像数据集上获得了84.2%的准确率，达到了最佳性能。Hussein等人。[21]提出了一种基于AlexNet（8层）网络结构的端到端深度多视图CNN，在LIDC-IDRI数据集上实现了92.3%的肺结节分类准确率。Nibali等人。[22]结合残差网络、课程学习和迁移学习，提出ResNet-18网络结构用于肺结节分类。从LIDC-IDRI数据集收集的测试样本的分类准确率为89.9%。

基于机器学习的传统计算机辅助检测算法​​具有较低的分类准确度的问题，由于人工特征选择的不确定性。通过细胞神经网络处理的大多数类有比较明显的类（如人类和狗），并且只有在结节分类任务中的数据之间的细微差别，所以有使用细胞神经网络的肺结节分类任务一定的缺点。由他等人提出的剩余网络。[23]于2015年荣获ImageNet大型视觉识别比赛(ILSVRC)冠军[24]。作为一种深度学习模型，剩余的网络已经成功地在文本分类及图像分类的领域得到应用。兰等。[25提出了一种被称为残留U形网（RUN），以无结节候选者的选择进行肺结节检测新网络。剩余网络的思想引入到改善传统的U型网，从而从网络缺乏深入的解决效果差的缺点。迁移学习也是一个非常有用的机器学习方法，这意味着预训练模型重新应用于另一个任务。在ImageNet使用预训练的CNN模型迁移学习已经成为医学图像分析的常用方法。面包车Ginneken等。[26]通过线性支持向量机（SVM）萃取从在CT图像肺结节检测一个预训练的OverFeat模型的第一完全连接层4096关闭的，现成的功能。

通过上述工作，在本文中，与剩余的学习和迁移学习的理论相结合的启发，用于肺的分类方法基于结节深残余网络上提出。50层RESNET网络结构被用作初始模型来重建全球平均池层，所述完全连接层，和所述分类层。在LIDC-IDRI数据集表明，该方法比SVM方法更好的性能和适应性，VGG19模型[实验结果27]，和InceptionV3模型[28]在肺结节的分类。

3.算法与方法框架

在目前的工作中，残余网络的基本原理被应用于肺结节的分类。提出的基于深度残留网络的肺结节分类方法包括:(1)在LIDC-IDRI数据集上，根据经验放射科医师的标注提取结节轮廓，形成实验数据集;(2)基于50层残差网络和迁移学习思想，保留原始网络权值，构造全局平均池化层、全连通层和分类层;(3)利用提取的实验数据集对网络模型进行训练，完成肺结节的分类任务。数字1个描绘了基于深刻的剩余网络上的肺结节分类过程。

3.1。剩余学习

在深度学习过程中，随着网络深度的增加，出现的主要问题是梯度消失和梯度爆炸。传统的解决方案是对数据进行初始化和正则化，解决了梯度问题，但导致网络性能下降。深度加深了，但错误率增加了。残差学习的目的是在解决网络梯度问题的同时提高网络性能。如果深层网络后面的层都是同映射的，那么模型就可以退化为浅层网络，这样就可以解决由于网络深度增加而导致的网络性能下降的问题。

要实现标识映射，只需要使用标识映射函数。在残差学习中，我们将网络设计为 ,因此，它被转换为一个学习功能残留 ,只要合适 ,它形成了一个身份地图 ,哪里x表示层前输入，是网络映射前的和，和是网络从输入到求和的映射。数字2个描述残差网络中的残差元素，是残差网络中的基本构件。

考虑到转发过程，最终的结果代表了一个直接转发过程一层的一层和是连续操作。具体的计算过程如下： 哪里表示等效映射方法。对于残余元素，正向过程是线性的，而随后的输入等于输入加上每个剩余元素的结果。剩余网络的所述第一主要特征是，反向更新解决梯度消失的问题。因此，当在背面方向上的残余网络传播，只有链法之前的部分的导出，也就是，从梯度一层可以转移到一稳定层。具体推导过程是

通过残差单元的结构设计，避免了在进行反向传播训练时出现完全梯度消失的问题。同时，当网络性能达到瓶颈时，冗余网络层可以进行相同的映射，实现了残差学习的基本思想。

3.2。基于深度残留网络的肺结节分类方法

概述,肺结节深残余网络的分类方法提出了基于50-layer ResNet网络,保留原来的重量训练ImageNet数据集,删除原来的完全连接的和分类层网络,并添加全球平均池层。全球平均池化层最早由Min Lin和Yan在2014年使用[29]. 他们使用全球平均池来代替CNN中传统的完全连接层。其思想是为最后一个mlpconv层中的分类任务的每个对应类别生成一个特征映射。他们取每个特征图的平均值，得到的向量直接输入到softmax层。由于全连通层的参数较多，且全连通层容易过度拟合，从而影响了整个网络的泛化能力。加入全局平均池层后，参数个数大大减少，可以很好地压缩模型的大小，减少过拟合的发生。此外，全局平均池将空间信息相加，因此对输入的空间转换更为鲁棒。

全球平均汇聚层之后，我们重建完全连接层和分类层。由于来自微分nonnodules结节是二元分类问题，乙状结肠在分类层中使用。该RELU函数被用作激活函数，这使得神经元的特征提取范围更加广泛。式是

深剩余网络的设计是通过在快速连接模式的标识映射的执行体现。快速连接使得残留可能的，并且身份映射使得网络更深。快速连接可被具体化为我们的剩余网络和由多个堆叠的层，其中的每一个使用的剩余元件，如图2个. 具体来说，本文的构建块定义为 哪里x和y表示输入和输出向量表示等效映射方法。功能 为残差函数。如图所示2个有两层， ,在这σ代表RELU。为简单起见，我们暂时忽略偏移。的操作是通过快速连接和逐个元素添加完成的。

在该方法的设计过程中，身份映射由快捷连接实现，并且它们的输出被添加到覆盖的输出。快捷方式连接既不产生额外的参数，也不添加计算复杂性，并且在整个网络仍然使用backpropagated随机梯度下降（SGD）算法。与此同时，残留的结构可以连接与肺结节图像的每一层的特征间接，这有效地合并图像的浅特征和深特征的网络的完全连接层。剩余网络可以利用包含在充分的图像中的有用信息，从而有望提高肺结节分类的精度[三十]。

4.实验与结果分析

4.1。数据集和预处理

我们实验中使用的肺CT图像来自肺图像数据库联合采集(LIDC-IDRI) [31–33]。Currently, the LIDC-IDRI dataset is the world’s largest public dataset for lung cancer and contains 1,018 cases (a total of 375,590 CT scan images with a scan layer thickness of 1.25 mm三 mm and 512  512像素）。对于每个受试者，由四位经验丰富的胸部放射科医生在没有强制一致性的情况下识别结节，并将相应的结节轮廓坐标和特征信息记录在相关的XML文件中。在我们的实验中，除了8个缺失案例和1个受损案例外，共有1009个案例来评估该方法的有效性。

在肺结节的检测过程中，首先从肺CT图像中提取肺结节区域。传统的处理方法分为图像预处理和图像特征提取等几个步骤。这些步骤通常由人工设定，每个步骤的结果直接影响后续的分类性能。因此，本研究摒弃了传统的肺结节提取方法，根据放射科医生对肺结节的注释，直接提取肺结节区域作为实验数据集。肺结节的大小在3 mm范围内三十 mm, and the nodule area on each CT image is marked by the radiologists. According to the nodule contour coordinate information marked by the radiologist in the associated XML file, the rectangular region of the nodule can be segmented from the CT images, as shown in Figure三. 另外，非结节三 mm are extracted based on their centroids annotated by the radiologists.

在我们的实验中，共收集了1009个病例的14995张CT片，包括7685张结节片和7310张非结节片。结核和非结核样品如图所示4个.

4.2条。实验装置

为了验证网络模型的有效性，本文采用肺结节分类的准确率、精密度、特异度、查全率、f1-score、假阳性率、ROC曲线来评价算法的性能。表中列出了测试程序和黄金标准的所有可能结果1个. 桌子2个详细介绍了上述评价指标的计算公式。此外，还进行了统计显著性检验，以观察不同方法的性能差异。

所有实验均采用十倍交叉验证进行评价，并交换验证数据集和测试数据集重复实验。取平均结果作为最终实验结果。结节与非结节的数据量基本相等，可以确认网络的有效性。优化器SGD方法的这两个超参数设置为:学习率(LR) = 0.0001，动量= 0.9 [34]。因为模型要求的图像的输入大小为224 224年 1，提取的结节图像在输入到我们的模型之前被调整到相同的大小。

为了表明我们提出的方法的有效性，我们比较肺结节分类演出不同型号，分别是传统的机器学习模型和预训练的CNN模型。具体而言，在曲线段SVM分类模型变换特征中，所述VGG19模型和InceptionV3模型被设计为比较算法。其中，曲波变换是一个多尺度，定向的特征提取方法。它具有明显的优势在轮廓的描述和图像的纹理方向。的快速离散曲波变换包括两个算法。一个是unequispaced FFT变换，其中，曲波系数由不规则采样的图像的傅立叶系数找到。另一种是包装变换，使用一系列的翻译和环绕式技术。该unequispaced FFT变换在目前的工作中使用。曲波的变换系数与第一层（低频系数）主要包含的图像的能量和轮廓特征。较高频率系数对应于图像的边缘和细节信息。 The medium high-level coefficients also describe the edge features. We concatenated all layer coefficients, whose dimension is 4096, as the feature vector. Then, PCA technique was used on it to reduce the feature size by selecting 100 components which explained原始特征的95%方差。支持向量机分类方法采用径向基核函数。惩罚参数错误项和核心参数 .该VGG19模型和InceptionV3模型含有16卷积层和47层的卷积分别。深剩余网络，VGG19模型，和InceptionV3模型的详细结构列于表三. VGG19和InceptionV3模型也采用了全局平均池层。接着是全连通层和乙状结肠分类层。收集的数据集用于微调这些网络。所有四个模型都使用相同的训练数据集、验证数据集和测试数据集。

4.3。实验结果与分析

在神经网络的训练过程中，当所有的训练数据集用于对网络进行训练一次，它被称为一个时代。为了观察所述测试数据集和训练次数的分类精度之间的性能关系，我们提请与该历元的增加分类精度的变化曲线在图1的间隔5个示出了具有划时代的增加分类精度的变化曲线。

从图中可以看出5个随着时代的逐渐发展，这种精度也随之提高。当历元达到30时，精度最高。随着历元的不断增加，准确率保持相对稳定。结合实验装置，对具有curvelet变换特征的支持向量机算法、VGG19模型和InceptionV3模型进行了比较。不同方法对肺结节的分类结果比较如表所示4个.

表4个显示了四种方法的结果。如所提到的，根据10倍交叉验证获得的结果。传统的机器学习参考的方法，所述SVM算法，实现了88.27％的准确度，90.12％的精度，87.69的召回％，85.94的％特异性，88.89％F1-得分，和8.60％的假阳性率。深学习方法，该VGG19模型，实现了96.48％的精确度，97.10％精度，95.17％的召回中，96.83％的特异性，96.13％的F1-得分，以及3.72％的假阳性率。InceptionV3达到95.81的％的精确度，96.35的％的精度，95.30的％的召回，95.76的％的特异性，95.85的％的F1-得分，和3.87％的假阳性率。基于所提出的深残余网络上的肺结节分类方法实现的98.23％的98.06％98.35％，F1-得分的准确，98.46％精度，97.70％的召回，特异性，并且在1.65％的假阳性率我们的研究。我们提出的方法由9.96％，8.34％，10.01％，12.41％，并在准确度，精密度，召回，特异性和F1-得分方面9.17％，假阳性率6.95％，下降优于SVM算法。我们的方法由1.75％，1.36％，2.53％，1.52％，并在准确度，精密度，召回，特异性和F1-得分方面1.93％，优于VGG19模型，假阳性率下降了2.07％。此外，我们的方法由2.42％，2.11％，2.40％，2.59％，并在准确度，精密度，召回，特异性和F1-得分，分别计2.21％的假阳性率提高，相比InceptionV3模型， decreased by 2.22%. This represents a significant improvement over the SVM model (在单尾t检验），VGG19模型（和InceptionV3模型(在单侧z检验中)。

ROC曲线和ROC曲线下面积(area under The ROC curve, AUC)是评价算法性能的重要指标。ROC曲线越靠近左上角，AUC值越接近1，说明算法的分类结果越好。为了便于直观比较，将不同方法的ROC曲线绘制在统一的坐标图中，如图所示6个.

如图所示6个，我们的方法的ROC曲线比其他三种方法更接近于图的左上方。通过我们的方法，VGG19模型和InceptionV3模型在AUC值上得到了可比较的结果。支持向量机模型得到的结果相对较低。对应的AUC值分别为我们的方法0.9971,VGG19为0.9935,InceptionV3为0.9924,SVM为0.9414。再次说明，这比SVM (和InceptionV3模型(在单尾z检验中）。尽管没有显著的性能差异( )通过与VGG19模型的比较，我们的方法明显优于VGG19模型(在单尾Z测试）中的ROC曲线的术语和其它评价标准如上所述。总体而言，更好的结果与我们的方法，这进一步验证了该方法的可行性和有效性得到。

鉴于这些实验结果，我们可以看到，所提出的剩余网络取得了较好的分类结果。的准确度，精密度，召回，F1-得分，假阳性率，和肺结节分类的AUC的值是比该SVM方法，所述VGG19模型，并且模型InceptionV3更高。另外，我们比较了该方法的实验结果与在工作几个有代表性的神经网络模型[呈现20–22]。然而，这是很难做出与之前发表的文献的客观比较，由于数据集中和不同的验证方法的可变性。尽管如此，它仍然是重要尝试进行相对比较。为此，我们确定了将使用相同的数据集（LIDC-IDRI）几种代表性的方法，采用相同的验证过程（十倍交叉验证），并报告更好的结果。因此，我们比较我们与文献[实验结果20–22]。采用4层和8层卷积神经网络[20,21),分别。它们都使用十倍交叉验证方法。采用18层ResNet网络[22]和文献还使用随机分裂评估模型的准确性。在不同的研究肺结节的分类结果的比较示于表5个.

从表5个，可以看出，我们的网络具有最好的分类性能，准确率为98.23%，灵敏度为97.70%，特异性为98.35%。本方法的准确性、灵敏度和特异性均高于其他三种方法。此外，传统的机器学习方法需要不同的特征提取方法来选择和提取肺结节的不同特征，增加了操作的复杂性和错误率。此外，传统神经网络存在梯度消失问题，难以达到深层。但是，对于我们提出的方法，由于ResNet网络应用了残差学习理论，解决了网络深度增加导致的网络性能下降的问题。我们的方法可以自动学习肺结节图像的特征，网络层数可以达到一定的深度，对肺结节的分类任务有较好的适应性。

5.结论

摘要针对肺结节分类检测过程复杂、分类准确率低、假阳性率高等问题，结合深度学习、迁移学习、残差学习等理论，提出了一种新的肺结节分类神经网络模型。该模型基于50层残差网络模型框架，重构了全局平均池化层、全连通层和分类层。肺结节图像可以直接作为网络的输入数据，避免了复杂的特征提取和选择。在LIDC-IDRI数据集上的实验结果表明，我们的方法在准确率、精密度、特异度、召回率、f1-score、假阳性率、ROC曲线等方面均优于本文所述的所有其他方法，包括神经网络模型和传统的机器学习算法。本研究证明了该方法在肺结节分类上的优越性，有可能为临床诊断提供参考。

尽管在本文中提出的剩余网络结构在肺结节的分类任务更好的性能，它也有一个缺陷，这是与大量的肺部CT图像的处理时，需要很长的训练时间。因此，有必要进一步优化后续工作的网络模型。

数据可用性

肺图像数据库联盟数据的副本可从https://wiki.cancerimagingarchive.net/display/Public/LIDC-IDRI/.

的利益冲突

作者声明，这篇论文的发表没有任何利益冲突。

作者的贡献

吴盼盼和孙玄潮对这项工作的贡献是均等的。

致谢

这项工作是由中国国家自然科学基金（批准号：61902282和61702370），天津市自然科学基金重点项目（项目批准号18JCZDJC36300），天津市科技计划（批准号：18ZXRHSY00100）模式识别，天津师范大学的博士点基金的国家实验室开放项目计划（批准号：043135202-XB1707）和天津市教育委员会项目科研计划（批准号：2018KJ155）。该项目也受到资助协议获得资金来自欧盟的展望2020研究和创新计划没有。826506（sustAGE）。作者承认国家癌症研究所和基金会为美国国立卫生研究院和建立在此研究中使用的免费公开提供LIDC / IDRI数据库中的关键作用。

参考

1. P. Monkam, S. Qi, M. Xu, F. Han, X. Zhao，和W. Qian，“从CT图像区分肺小结节和非结节的CNN模型”生物医学工程线上，第17卷，第16页，2018年。查看位置：出版商网站|谷歌学术
2. T. Sathiya和B. Sathiyabhama“在计算机断层摄影图像肺结节的模糊相关向量机为基础的分类，”国际成像系统与技术杂志，第29卷，no。3、2019年第360-373页。查看位置：出版商网站|谷歌学术
3. R. Manickavasagam和S. Selvan，“自动检测和在CT图像肺结节分类使用优化与杜鹃搜索算法神经模糊分类，”医学系统，第43卷，2019年第9页。查看位置：出版商网站|谷歌学术
4. C. Jacobs, E. M. van Rikxoort, K. Murphy, M. Prokop, C. M. Schaefer-Prokop，和B. van Ginneken，“肺结节的计算机辅助检测:使用公共LIDC/IDRI数据库的比较研究”欧洲放射学，第26卷，no。7、2016年第2139-2147页。查看位置：出版商网站|谷歌学术
5. 十、 赵、刘、齐、滕、李、钱，“利用CT图像进行肺结节分类的灵活卷积神经网络”国际计算机辅助放射外科杂志卷。13，第1-11页，2018。查看位置：出版商网站|谷歌学术
6. 李文涛，“基于支持向量机的CT图像中肺结节的自动分割与分类”，中国医学影像出版社2016年第九届哈尔科夫国际微波、毫米波和亚毫米波物理与工程研讨会论文集2016年6月，乌克兰哈尔科夫，第1-4页。查看位置：谷歌学术
7. S.李，徐P.，B. Li等人，“通过合并深卷积神经网络和手工制作的特点预测肺结节恶性肿瘤”医学和生物学中的物理学卷。64，没有。17页。25，2019。查看位置：出版商网站|谷歌学术
8. A. A. Farag, A. M. Ali, R. Falk, A. A. Farag, J. Graham，和S. Elshazly，“在胸部低剂量CT扫描中检测和分类肺结节的几何特征描述的评估”，in2011年IEEE生物医学成像国际研讨会论文集:从纳米到宏观，第169-172，芝加哥，伊利诺伊州，美国，2011年3月，月。查看位置：出版商网站|谷歌学术
9. 魏，马，钱等，“使用具有样本外扩展的局部核回归模型进行肺结节分类”，生物医学信号处理与控制卷。40，第1-9，2018。查看位置：出版商网站|谷歌学术
10. S、 杨伟才周永锋，「基于特徵的肺组织分类影像贴片近似法，」IEEE交易在医疗成像，第32卷，第797-808页，2013年。查看位置：谷歌学术
11. T. Manikandan和N. Bharathi，“用模糊自动种子簇手段形态分段和SVM分类肺癌检测，”医学系统，第40卷，第181-189页，2016年。查看位置：出版商网站|谷歌学术
12. B. C.金，Y. S.宋，和H. I.苏克，“在肺CT肺结节分类深特征的学习，”在第四届国际冬季会议上脑 - 机接口（BCI）的诉讼页。4，龙平，韩国，2016年2月。查看位置：出版商网站|谷歌学术
13. A. A. A. SETIO，F.琼皮，G. Litjens等人，“肺结节检测在CT图像：使用多视图卷积网络假阳性降低”。IEEE交易在医疗成像卷。35，没有。5，第1160至1169年，2016。查看位置：出版商网站|谷歌学术
14. R. V. M. D. Nobrega，S. A.肖托，S. P. P. D. Silva的，和P P. R. Filho的，在“肺结节通过在CT肺部图像深迁移学习分类，”第31届电脑医疗系统国际研讨会论文集，第6页，卡尔斯塔德，瑞典，2018年6月。查看位置：出版商网站|谷歌学术
15. O. Ronneberger, P. Fischer，和T. Brox， < U-Net:卷积网络在生物医学图像分割中的应用>第18届国际医学图像计算与计算机辅助干预会议纪要，第234-241，德国慕尼黑，2015年10月。查看位置：谷歌学术
16. 《超声心动图视点分类的融合深度学习体系结构》，信息融合，第36卷，第103-113页，2017年。查看位置：出版商网站|谷歌学术
17. 利特金斯，T.库伊，B. E.贝诺迪等，“医学图像分析中的深度学习研究”，医学图像分析，第42卷，第60-88页，2017。查看位置：出版商网站|谷歌学术
18. K.-L。华，徐长华，程文华，陈玉云，“深学习技术在电脑断层摄影影像上对肺结节的分类”，OncoTargets和治疗卷。8，第2015至2022年，2015年。查看位置：谷歌学术
19. W.沉，M.周，F杨等人，“为肺结节恶性可疑性分类多作物卷积神经网络”模式识别卷。61，第663-673，2017。查看位置：出版商网站|谷歌学术
20. 宋，赵，罗，窦，“利用深度学习在电脑断层摄影影像上对肺结节进行分类，”医疗工程杂志，第2017卷，文章编号8314740，第7页，2017年8月。查看位置：出版商网站|谷歌学术
21. S、 Hussein，R.Gillies，K.Cao，Q.Song，和U.Bagci，“肿瘤：用高斯过程的多视图卷积神经网络表征肺结节”，in2017年IEEE第14届生物医学成像国际研讨会(ISBI 2017)论文集， 1007-1010页，澳大利亚墨尔本，2017年4月。查看位置：出版商网站|谷歌学术
22. A. Nibali, Z. He和D. Wollersheim，“肺结节的深度残留网络分类”，国际计算机辅助放射外科杂志，第12卷，第1799-1808页，2017年。查看位置：出版商网站|谷歌学术
23. K.他，十张，S.仁和J.太阳，“深残留学习图像识别”，在2016年IEEE计算机视觉与模式识别大会(CVPR)2016年6月，美国内华达州拉斯维加斯，770-778页。查看位置：出版商网站|谷歌学术
24. O. Russakovsky，J.邓，H. Su等人，“Imagenet大型视觉识别的挑战。”国际计算机视觉杂志卷。115，没有。3，第211-252，2015。查看位置：出版商网站|谷歌学术
25. 兰t，李y, J. K.穆鲁吉，丁y，和秦Z.，“运行:没有选择的计算机辅助检测肺结节的剩余u形网”，2018，https://arxiv.org/abs/1805.11856.查看位置：谷歌学术
26. 范金内肯，A. A. Setio, C. Jacobs和F. Ciompi，“计算机断层扫描中肺结节检测的现成卷积神经网络特性”2015年第12届IEEE国际研讨会生物医学成像的论文集（ISBI），第286-289，纽约，NY，USA，2015年4月。查看位置：出版商网站|谷歌学术
27. K、 Simonyan和A.Zisserman，“用于大规模图像识别的非常深卷积网络”，in第三届学习表征国际会议纪要2015年，美国加州圣地亚哥，第14页。查看位置：谷歌学术
28. C. Szegedy，V. Vanhoucke，S.约费，J. Shlens和Z. Wojna，“重新思考计算机视觉以来架构，”在2016年IEEE计算机视觉与模式识别大会(CVPR)，第2818至2826年，拉斯维加斯，内华达州，美国在2016年。查看位置：谷歌学术
29. Q. C.林敏和S.严，“网网”，在第二届学习表征国际会议纪要加拿大班夫，2014年，第10页。查看位置：谷歌学术
30. G.黄，Z.刘L.范德Maaten和K.温伯格，“密集连接卷积网络，”在2017年的IEEE会议计算机视觉与模式识别（CVPR）的Proceedkngs页。9，檀香山，HI，美国，2017年。查看位置：谷歌学术
31. https://wiki.cancerimagingarchive.net/display/Public/LIDC-IDRI/.
32. S. I. Armato，G.麦克伦南，L. Bidaut等人，“肺图像数据库财团（LIDC）和图像数据库资源倡议（IDRI）：CT扫描肺结节的完成参考数据库，”医学物理卷。38，第915-931，2011。查看位置：谷歌学术
33. K.克拉克，B. Vendt，K. Smith等人，“癌症成像归档（TCIA）：维护和操作的公开信息存储库，”。数字成像杂志，第26卷，第6期，第1045-1057页，2013年。查看位置：出版商网站|谷歌学术
34. 苏世奇，J.马滕斯，G.达尔，和G.辛顿，“在深度学习中初始化和动量的重要性”第30届国际机器学习大会(ICML)论文集，第1139至1147年，亚特兰大，GA，USA，2013。查看位置：谷歌学术

版权

版权所有©2020盼盼吴等人。这是下发布的开放式访问文章知识共享署名许可协议允许在任何媒介上不受限制地使用、分发和复制，只要正确地引用了原文。